Axis Roboticsは、Physical AI向けの「複利的データエンジン」と同社が呼ぶものを構築している企業で、Hack VCが主導するシード資金調達ラウンドで1,200万ドルを調達したと発表した。Nomad Capital、Pi Network Ventures、10K Ventures、および複数のエンジェル投資家もこのラウンドに参加した。

同社によると、この資金は、Physical AIの主要なボトルネックと位置付ける課題、すなわち構造化され、非常に多様なロボット訓練データを大規模に生成することに対応するための、大規模並列型かつヒューマン・イン・ザ・ループ型のグローバルデータエンジン構築を支える。ロボティクスシステムにとって、そのデータはモデルが何を見るかだけでなく、物体、環境、センサー、ロボット本体をまたいで物理的な動作がどのように展開するかも捉える必要がある。

Physical AIのデータボトルネックへの対応

Axis Roboticsは、Physical AIにはLarge Language Modelsの訓練に使われるデータ環境とは異なる3つの大きな障壁があると述べた。Large Language Modelsは既存のインターネットデータに含まれる数兆トークンを用いてスケールできる一方、Physical AIは深刻なデータ不足、汎化ギャップ、そして異なる種類のロボットハードウェア間における身体性の断片化に対処しなければならない。

「Physical AI demands billions of human-physical interaction motion trajectories,” said Chris, Founder of Axis Robotics. “For years the industry lacked an efficient, infinitely scalable hybrid data production system which can help models iterate effortlessly – and that’s exactly what we built with Axis, a compounding data engine.”

汎用ロボティクス知能に向けたAxisのアプローチ

Axisによると、同社独自のCompounding Data Engineは、タスク生成、データ取得、継続的なモデル訓練、最適化を組み合わせたエンドツーエンドのワークフローを提供する。

同社のTask Gen Engineは、物体、空間レイアウト、視覚要素、ロボットの身体性、意味情報にわたるランダム化を通じて、多様な原子的ロボットタスクを生成する。Axisは、この手法により各データ軌道に多様性を組み込むとしている。

同社のBrowser-Based Sim Teleoperation Platformは、ユーザーが高品質なロボット動作軌道を遠隔で生成できる、世界初のウェブベースインターフェースだと説明されている。Axisによると、このプラットフォームはラボベースの収集と比べて10x高いスループットを実現し、ロボットポリシーを継続的に改善・修正するために、人間がゲート管理するDAgger、すなわちDataset Aggregationの介入ループを統合している。

Ego Data Mobile Capture Appは、実世界データの取得を、高コストでハードウェアに大きく依存する構成から、導入障壁のないモバイルアプリケーションへ移行することを目的としている。Axisは、このアプリが最先端、すなわちSOTAのリアルタイム手姿勢トラッキングとグローバルな労働力を組み合わせ、人間の視覚と器用さを世界規模でロボット動作へ変換するとしている。

AxisのData Processing Pipelineは、軌道クリーニング、ドメインランダム化、高密度な言語アノテーションを自動化し、同社によればデータ品質を10x超改善した、モデル投入可能なマルチモーダルデータセットを生成する。

Axisは、この統合アーキテクチャが自己強化型のフライホイールを生み出すと説明している。実世界またはシミュレーション環境での展開における失敗したロボット軌道が、人間による修正介入を引き起こし、それが訓練にフィードバックされることでエッジケースのカバレッジを拡大する。同社は、このプロセスによりデータ量の増加に伴って複利的な知能が形成されるとしている。

垂直統合型データインフラ

Axisは、自社の中核的な強みはPhysical AIのライフサイクル全体をカバーする統合プラットフォームにあるとしている。同社が従来の断片化されたアプローチと表現するものとは対照的に、Axisは大規模分散型の事前訓練データ収集と、訓練後のリアルタイムで人間がゲート管理するDataset Aggregationを組み合わせた、垂直統合型エンジンを構築したという。

データ多様性を前提に設計されたAxis独自のTask Generation Engineは、物体の配置、照明、カメラ姿勢、物理特性、ロボット形態をランダム化する。同社によると、これにより継続的にユニークなシーンと操作タスクが作られ、汎化を目的とした訓練データが生成される。

基盤モデル規模の多様化データを支えるため、Axisは10万人超のアクティブなコントリビューターを擁するグローバルなロボティクスデータインフラを構築したとしている。同社によれば、これらのコントリビューターは平均して1日3〜4回データを提出しており、生産効率と多様性のカバレッジの双方を高めている。

Axisは現在、多様なシナリオにわたり、毎月1,200時間超のシミュレーションデータと20,000時間超の実世界エゴセントリックデータを生成できるとしている。

同社は最近Sim Dataset V1をローンチし、ベンチマーク結果により、設計された多様性が測定可能な性能向上を生むことが示されたと述べた。LIBERO-Plusでは、Axisの完全に多様化されたデータセットでπ0.5を事前訓練した結果、全体の成功率が4.9ポイント改善し、データ量を揃えたRoboCasa365ベースラインを31.3ポイント上回った。Axisによると、改善にはレイアウト汎化、センサーノイズ耐性、ロボット姿勢の堅牢性が含まれる。同社は、この結果が、同社の優位性が単なるデータ規模の大きさではなく、独自の多様性パイプラインに由来することを示していると述べた。

商業化と提携

Axis Roboticsは、実世界での展開に向けて、ロボット訓練データの商業化を進めていると述べた。ロボティクスハードウェアメーカー、Physical AIモデル企業、産業オートメーション企業の具体的なニーズに合わせたカスタマイズ型の「Task Packages」を通じて提供している。

同社によると、Booster Robotics、Manycore Tech、Feagine Robotics、Dexmal、Lotus Car、Geely Auto、SomaStacksなどの企業と、すでに初期の商業提携を結んでいる。Axisは、これらの協業が、スケーラブルで高忠実度のロボット訓練データに対する市場需要を示しているとしている。

汎用Physical Intelligenceの構築

「The future of Physical AI hinges on deep symbiosis between models and data,” said Chris. “Static datasets cannot power general robotic intelligence. The winning solution is a compounding data engine: a vertically integrated system linking a global contributor network with constant model iteration. Every diverse trajectory and human correction fuels faster model improvement, forming a self-reinforcing intelligence flywheel.”

Axisによると、同社のチームにはUC Berkeley、Carnegie Mellon University、Georgia Tech、NTU、SJTUなどの機関出身のAIおよびロボティクス研究者に加え、過去に消費者向け製品を世界で3,000万人超のユーザー規模まで拡大したグロース専門家が含まれている。

Hack VCが主導した1,200万ドルのシードラウンドを受け、Axis Roboticsは手続き型生成能力を拡大し、分散型コントリビューターネットワークをスケールさせ、Physical AI向けデータエンジンとしての役割を強化する計画だと述べた。同社にとって次の試金石は、そのデータインフラが、シミュレーションおよびエゴセントリックな人間の動作データを、異なるロボット身体性や産業用途に取り組む顧客向けの導入可能な訓練資産へ引き続き変換できるかどうかとなる。